OPTIMALISASI KLASIFIKASI CITRA MEDIS KATARAK MENGGUNAKAN ARSITEKTUR MOBILENETV2 DENGAN PENERAPAN CALLBACKSDico FathatulRizkiauthorKatarak adalah penyebab utama kebutaan global yang sebenarnya dapat dicegah melalui deteksi dan penanganan dini. Namun, proses skrining secara manual yang dilakukan oleh spesialis mata dihadapkan pada keterbatasan sumber daya, tingginya biaya pemeriksaan, serta jangkauan fasilitas kesehatan yang tidak merata di berbagai daerah. Keterbatasan akses terhadap deteksi dini ini menghadirkan tantangan diagnostik yang serius, karena menghambat penanganan tepat waktu dan secara langsung berdampak pada peningkatan angka kebutaan permanen di masyarakat, terutama pada negara-negara berkembang. Oleh karena itu, diperlukan sebuah solusi inovatif berbasis teknologi untuk mengotomatisasi proses analisis citra medis secara cepat, akurat, dan dapat diakses dengan mudah oleh berbagai kalangan. Penelitian ini mengusulkan solusi otomatisasi menggunakan pendekatan Pembelajaran Mendalam (Deep Learning), secara khusus menerapkan teknik Transfer Learning dengan memanfaatkan arsitektur Convolutional Neural Network (CNN) ringan yaitu MobileNetV2. Alur penyelesaian masalah diawali dengan pengumpulan 3.709 citra mata dari dataset publik Kaggle yang dibagi menjadi tiga kelas kondisi: katarak matur, katarak imatur, dan mata normal. Data tersebut kemudian melalui tahap prapemrosesan, augmentasi, pembagian dataset (rasio 70:15:15), dan penyesuaian bobot kelas untuk menangani ketidakseimbangan data. Proses pelatihan model dioptimalkan secara dinamis menggunakan kombinasi tiga fungsi kontrol (callbacks), yakni ModelCheckpoint untuk menyimpan bobot terbaik, ReduceLROnPlateau untuk menyesuaikan nilai learning rate saat konvergensi stagnan, dan EarlyStopping untuk mencegah indikasi overfitting. Evaluasi kinerja model diukur secara komprehensif menggunakan metrik akurasi, precision, recall, F1-score, dan confusion matrix pada sekumpulan data uji independen. Hasil evaluasi menunjukkan bahwa model yang dibangun berhasil mencapai tingkat akurasi pengujian yang sangat tinggi, yaitu sebesar 99%. Analisis metrik komprehensif membuktikan performa yang seimbang, di mana secara rata-rata (macro average) model mencatatkan nilai 0.99 untuk precision, recall, dan F1-score. Penerapan callbacks juga terbukti mengefisienkan waktu komputasi pelatihan secara substansial menjadi 1.171 detik. Kontribusi utama dari penelitian ini adalah terciptanya model klasifikasi yang sangat ringan, efisien, dan andal dalam meminimalkan kesalahan diagnosis medis. Hasil penelitian ini dapat dimanfaatkan secara langsung oleh tenaga medis sebagai alat bantu skrining untuk mempercepat proses diagnosa, serta oleh masyarakat umum untuk mengakses pemeriksaan awal katarak secara mandiri. Untuk penelitian lebih lanjut, direkomendasikan pengintegrasian metode Explainable AI (XAI) seperti Grad-CAM guna meningkatkan interpretabilitas medis, serta pengembangan sistem menuju deteksi objek (object detection) agar mampu melokalisasi area kekeruhan lensa secara spesifik.000 Ilmu komputer, informasi dan pekerjaan umum2026-05-18Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis